Datenvisualisierung 3

Darstellung der zusammenfassenden Statistik

Daniela Palleschi

Humboldt-Universität zu Berlin

2023-12-18

Lernziele

Heute werden wir lernen…

  • Boxplots zu erstellen und zu interpretieren
  • Mittelwerte und Standardabweichungen zu visualisieren

Ressourcen

Einrichten

Pakete

pacman::p_load(tidyverse,
               here,
               janitor,
               ggthemes,
               patchwork)

Daten

df_eng <- read_csv(
  here(
    "daten",
    "languageR_english.csv"
  )
) |> 
  clean_names() |> 
  rename(
    rt_lexdec = r_tlexdec,
    rt_naming = r_tnaming
  )

Wiederholung

  • Betrachten Sie jede Abbildung in Abbildung 1
    • Wie viele Variablen werden in jeder Abbildung dargestellt?
    • welche Typen von Variablen sind es?
    • Welche zusammenfassende(n) Statistik(en) wird/werden in jedem Diagramm dargestellt?
Abbildung 1: Different plots types

Darstellung von zusammenfassenden Statistiken

  • Modus und Bereich werden in Histogrammen und Dichteplots visualisiert
  • die Anzahl der Beobachtungen wird in Balkendiagrammen visualisiert

Boxplot

  • auch bekannt als Box-and-Whisker-Plots, enthalten
    • eine Box
    • eine Linie in der Mitte der Box
    • Linien, die an beiden Enden der Box herausragen (die ‘Whisker’)
    • manchmal Punkte

  • Betrachten Sie Abbildung 2
    • identifiziere jeden dieser 4 Aspekte des Plots
    • können Sie erraten, was jeder dieser Aspekte darstellen könnte und wie Sie die Darstellung interpretieren sollten?
Abbildung 2: Boxplot of df_eng (body mass by age_subject)

  • Boxplots vermitteln eine Menge Informationen in einer einzigen Visualisierung
    • Die Box selbst stellt den Interquartilsbereich (IQR; der Bereich der Werte, der zwischen den mittleren 50% der Daten liegt) dar.
      • Die Grenzen der Box repräsentieren Q1 (1. Quartil, unter dem 25% der Daten liegen) und Q3 (3. Quartil, über dem 25% der Daten liegen)
    • die Linie in der Mitte des Boxplots stellt den Median dar
      • auch Q2 genannt (2. Quartil; der mittlere Wert, über/unter dem 50% der Daten liegen)
    • Die Whisker repräsentieren 1,5*IQR von Q1 (unterer Whisker) oder Q3 (oberer Whisker)
    • Punkte, die außerhalb der Whisker liegen, stellen Ausreißer dar (d. h. Extremwerte, die außerhalb des IQR liegen).
  • Abbildung 3 zeigt die Beziehung zwischen einem Histogramm und einem Boxplot

Abbildung 3: Image source: Winter (2019) (all rights reserved)

  • Abbildung 4 hat einen ähnlichen Vergleich, einschließlich eines Streudiagramms

Abbildung 4: Image source: Wickham et al. (2023) (all rights reserved)

geom_boxplot()

  • Die Funktion geom_boxplot() von ggplot2 erzeugt Boxplots
    • sie benötigt eine numerische Variable als x oder y Achse (Abbildung 5)
df_eng |> 
  ggplot(aes(y = rt_lexdec)) +
  geom_boxplot()

Abbildung 5: A boxplot for all observations of a continuous variable

  • für Boxplots verschiedener Gruppen: eine kategorische Variable entlang der anderen Achse (Abbildung 6)
df_eng |> 
  ggplot(aes(x = age_subject, y = rt_lexdec)) +
  geom_boxplot() +
  theme_bw()

Abbildung 6: A boxplot for two groups

Gruppierter Boxplot

  • Wir können gruppierte Boxplots erstellen, um mehr Variablen zu visualisieren
    • einfach eine neue Variable mit colour oder fill ästhetisch zuordnen
df_eng |> 
  ggplot(aes(x = age_subject, y = rt_lexdec, 
             colour = word_category)) +
  geom_boxplot() +
  labs(
    x = "Age group",
    y = "LDT reaction time (ms)",
    color = "Word type"
  ) +
  scale_colour_colorblind() +
  theme_bw()
A grouped boxplot

Visualisierung des Mittelwerts

  • In der Regel wollen wir auch den Mittelwert mit der Standardabweichung darstellen.
    • Wie können wir das tun?

Fehlerbalkenplots

  • Diese Diagramme bestehen aus 2 Teilen:
    • der Mittelwert, visualisiert mit geom_point()
    • ein Maß für die Streuung, visualisiert mit “geom_errorbar()”.
  • für diesen Kurs werden wir die Standardabweichung verwenden
  • Abbildung 7 ist das, was wir heute erzeugen werden
Abbildung 7: Errorbar plot of df_eng (body mass by age_subject)

Berechnung der zusammenfassenden Statistik

  • müssen wir zunächst den Mittelwert und die Standardabweichung berechnen
    • gruppiert nach den Variablen, die wir visualisieren wollen
  • Wie kann man den Mittelwert und die Standardabweichung von rt_lexdec nach age_subject berechnen?
Click here to see how
sum_eng <- df_eng |> 
  summarise(mean = mean(rt_lexdec),
            sd = sd(rt_lexdec),
            N = n(),
            .by = age_subject) |> 
  arrange(age_subject, age_subject)
  • Diese Zusammenfassung können wir dann in ggplot() mit den entsprechenden ästhetischen Zuordnungen und Geomen einfügen

Plotting mean

  • Zunächst werden die Mittelwerte mit geom_point() dargestellt.
sum_eng |> 
  ggplot() +
  aes(x = age_subject, y = mean) +
  geom_point()

Hinzufügen von Fehlerbalken

  • Fügen wir nun unsere Fehlerbalken hinzu, die 1 Standardabweichung über und unter dem Mittelwert darstellen
  • wir tun dies mit geom_errorbar()
    • nimmt ymin und ymax als Argumente
    • In unserem Fall sind dies mean-/+sd.
sum_eng |> 
  ggplot() +
  aes(x = age_subject, y = mean) +
  geom_point() +
  geom_errorbar(aes(ymin = mean-sd, 
                    ymax = mean+sd))

  • Wenn wir weitere Anpassungen hinzufügen, erhalten wir Abbildung 8
Code
sum_eng |> 
  ggplot() +
  aes(x = age_subject, y = mean, 
      colour = age_subject, shape = age_subject,
      ymin=mean-sd, ymax=mean+sd) +
  geom_point(size = 3) +
  geom_errorbar(width = .5) +
  labs(title = "Mean LDT times (+/-1SD)",
    x = "Age group",
    y = "Reaction time (ms)",
    color = "Age group"
  ) +
  scale_color_colorblind() +
  theme_bw() +
  theme(
    legend.position = "none"
  )
Abbildung 8: Customised errorbar

Barplot von Mittelwerten: Finger weg!

  • Sie werden sehr oft Balkendiagramme von Mittelwerten sehen
    • aber es gibt viele Gründe, warum dies eine schlechte Idee ist!!
  • Der Balkenplot hat ein schlechtes Daten-Tinten-Verhältnis, d.h. die Menge der Datentinte geteilt durch die Gesamttinte, die zur Erstellung der Grafik benötigt wird
    • Was ist, wenn es nur sehr wenige oder gar keine Beobachtungen in der Nähe von Null gibt? Wir verbrauchen eine Menge Tinte, wo es keine Beobachtungen gibt!
    • Außerdem deckt der Balken nur den Bereich ab, in dem die untere Hälfte der Beobachtungen liegt; ebenso viele Beobachtungen liegen über dem Mittelwert!
  • Fehlerbalken allein sind keine Lösung: auch hier wird eine Menge Information verborgen
    • ein guter Grund, die Rohdatenpunkte immer zu visualisieren, unabhängig davon, welche zusammenfassende Darstellung Sie erstellen

Lernziele 🏁

In diesem Abschnitt haben wir gelernt, wie man…

  • Boxplots erstellen und interpretieren ✅
  • Fehlerbalkendiagramme erstellen und interpretieren ✅

Hausaufgabe

Boxplot mit Facette

  1. Erzeugen Sie einen Plot namens fig_boxplot, der ein Boxplot der df_eng Daten ist, mit:
    • age_subject auf der x-Achse
    • rt_naming auf der y-Achse
    • age_subject als colour oder fill (wähle eine, es gibt keine falsche Wahl)
    • Wort_Kategorie in zwei Facetten mit facet_wrap() aufgetragen
    • die von Ihnen gewählte theme_-Einstellung (z.B. theme_bw(); für weitere Optionen siehe hier)

Errorbar plot

  1. Versuchen Sie, Abbildung 9 zu reproduzieren. Hinweis: Sie werden die Variable rt_naming aus df_eng verwenden.

Abbildung 9: Plot to be reproduced

Patchwork

  1. Verwenden Sie das Paket patchwork, um Ihren Boxplot und Ihre Fehlerbalkenplots nebeneinander darzustellen. Es sollte ungefähr so aussehen wie Abbildung 10. Hinweis: Wenn Sie die “tag-level” (“A” und “B”) zu den Plots hinzufügen möchten, müssen Sie + plot_annotation(tag_level = "A") aus patchwork hinzufügen.

Abbildung 10: Combined plots with patchwork

Session Info

Hergestellt mit R version 4.3.0 (2023-04-21) (Already Tomorrow) und RStudioversion 2023.9.0.463 (Desert Sunflower).

print(sessionInfo(),locale = F)
R version 4.3.0 (2023-04-21)
Platform: aarch64-apple-darwin20 (64-bit)
Running under: macOS Ventura 13.2.1

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.3-arm64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.3-arm64/Resources/lib/libRlapack.dylib;  LAPACK version 3.11.0

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
 [1] magick_2.7.4    patchwork_1.1.3 ggthemes_4.2.4  janitor_2.2.0  
 [5] here_1.0.1      lubridate_1.9.2 forcats_1.0.0   stringr_1.5.0  
 [9] dplyr_1.1.3     purrr_1.0.2     readr_2.1.4     tidyr_1.3.0    
[13] tibble_3.2.1    ggplot2_3.4.3   tidyverse_2.0.0

loaded via a namespace (and not attached):
 [1] utf8_1.2.3       generics_0.1.3   stringi_1.7.12   hms_1.1.3       
 [5] digest_0.6.33    magrittr_2.0.3   evaluate_0.21    grid_4.3.0      
 [9] timechange_0.2.0 fastmap_1.1.1    rprojroot_2.0.3  jsonlite_1.8.7  
[13] fansi_1.0.4      scales_1.2.1     cli_3.6.1        crayon_1.5.2    
[17] rlang_1.1.1      bit64_4.0.5      munsell_0.5.0    withr_2.5.0     
[21] yaml_2.3.7       parallel_4.3.0   tools_4.3.0      tzdb_0.4.0      
[25] colorspace_2.1-0 pacman_0.5.1     png_0.1-8        vctrs_0.6.3     
[29] R6_2.5.1         lifecycle_1.0.3  snakecase_0.11.0 bit_4.0.5       
[33] vroom_1.6.3      pkgconfig_2.0.3  pillar_1.9.0     gtable_0.3.4    
[37] glue_1.6.2       Rcpp_1.0.11      xfun_0.39        tidyselect_1.2.0
[41] rstudioapi_0.14  knitr_1.44       farver_2.1.1     htmltools_0.5.5 
[45] labeling_0.4.3   rmarkdown_2.22   compiler_4.3.0

Literaturverzeichnis

Nordmann, E., McAleer, P., Toivo, W., Paterson, H., & DeBruine, L. M. (2022). Data Visualization Using R for Researchers Who Do Not Use R. Advances in Methods and Practices in Psychological Science, 5(2), 251524592210746. https://doi.org/10.1177/25152459221074654
Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2. Aufl.).
Winter, B. (2019). Statistics for Linguists: An Introduction Using R. In Statistics for Linguists: An Introduction Using R. Routledge. https://doi.org/10.4324/9781315165547

Woche 10 - Datenvisualisierung 3